按python中列的值拆分大csv文件

Question

我有一个csv大文件，我无法在内存中使用python处理。 在使用以下逻辑对特定列的值进行分组后，我将其拆分为多个块：

def splitDataFile(self, data_file):

    self.list_of_chunk_names = []
    csv_reader = csv.reader(open(data_file, "rb"), delimiter="|")
    columns = csv_reader.next()

    for key,rows in groupby(csv_reader, lambda row: (row[1])):
        file_name = "data_chunk"+str(key)+".csv"
        self.list_of_chunk_names.append(file_name)

        with open(file_name, "w") as output:
            output.write("|".join(columns)+"\n")
            for row in rows:
                output.write("|".join(row)+"\n")

    print "message: list of chunks ", self.list_of_chunk_names

    return

逻辑正在运行，但速度很慢。 我想知道如何优化这个？ 比如熊猫？

编辑

进一步的解释：我不是在寻找一个简单的分割到相同大小的块（比如每个有1000行），我想用列的值进行拆分，这就是我使用groupby的原因。

Answer 1

使用这个Python 3程序：

 #!/usr/bin/env python3
 import binascii
 import csv
 import os.path
 import sys
 from tkinter.filedialog import askopenfilename, askdirectory
 from tkinter.simpledialog import askinteger

 def split_csv_file(f, dst_dir, keyfunc):
     csv_reader = csv.reader(f)
     csv_writers = {}
     for row in csv_reader:
         k = keyfunc(row)
         if k not in csv_writers:
             csv_writers[k] = csv.writer(open(os.path.join(dst_dir, k),
                                              mode='w', newline=''))
         csv_writers[k].writerow(row)

 def get_args_from_cli():
     input_filename = sys.argv[1]
     column = int(sys.argv[2])
     dst_dir = sys.argv[3]
     return (input_filename, column, dst_dir)

 def get_args_from_gui():
     input_filename = askopenfilename(
         filetypes=(('CSV', '.csv'),),
         title='Select CSV Input File')
     column = askinteger('Choose Table Column', 'Table column')
     dst_dir = askdirectory(title='Select Destination Directory')
     return (input_filename, column, dst_dir)

 if __name__ == '__main__':
     if len(sys.argv) == 1:
         input_filename, column, dst_dir = get_args_from_gui()
     elif len(sys.argv) == 4:
         input_filename, column, dst_dir = get_args_from_cli()
     else:
         raise Exception("Invalid number of arguments")
     with open(input_filename, mode='r', newline='') as f:
         split_csv_file(f, dst_dir, lambda r: r[column-1]+'.csv')
         # if the column has funky values resulting in invalid filenames
         # replace the line from above with:
         # split_csv_file(f, dst_dir, lambda r: binascii.b2a_hex(r[column-1].encode('utf-8')).decode('utf-8')+'.csv')

将其保存为split-csv.py并从资源管理器或命令行运行它。

例如，基于第1列拆分superuser.csv并在dstdir下编写输出文件使用：

 python split-csv.py data.csv 1 dstdir

如果不带参数运行它，基于Tkinter的GUI将提示您选择输入文件，列（基于1的索引）和目标目录。

REF

Answer 2

我将使用类似下面的内容，我将迭代要拆分的列的唯一值，以过滤数据块。

def splitWithPandas(data_file, split_by_column):
        values_to_split_by = pd.read_csv(data_file, delimiter="|", usecols=[split_by_column])
        values_to_split_by.drop_duplicates()
        values_to_split_by = pd.unique(values_to_split_by.values.ravel())

        for i in values_to_split_by:
            iter_csv = pd.read_csv(data_file, delimiter="|", chunksize=100000)
            df = pd.concat([chunk[chunk[split_by_column] == i] for chunk in iter_csv])
            df.to_csv("data_chunk_"+i, sep="|", index=False)

Answer 3

通过使用pandas的内置分块功能（ chunksize关键字arg to read_csv ），您可能会获得最佳性能，

http://pandas.pydata.org/pandas-docs/version/0.16.2/generated/pandas.read_csv.html

例如，

reader = pd.read_table('my_data.csv', chunksize=4)
for chunk in reader:
  print(chunk)

编辑：

这可能会让你到处

import pandas as pd

group_col_indx = 1
group_col = pd.read_csv('test.csv', usecols=[group_col_indx])
keys = group_col.iloc[:,0].unique()

for key in keys:
    df_list = []
    reader = pd.read_csv('test.csv', chunksize=2)
    for chunk in reader:
        good_rows = chunk[chunk.iloc[:,group_col_indx] == key]
        df_list.append(good_rows)
    df_key = pd.concat(df_list)

Answer 4

我怀疑每次处理新的行块时，最大的瓶颈是打开和关闭文件句柄。 只要您写入的文件数量不是太大，更好的方法是保持所有文件都打开。 这是一个大纲：

def splitDataFile(self, data_file):
    open_files = dict()
    input_file = open(data_file, "rb")
    try:
        ...
        csv_reader = csv.reader(input_file, ...)
        ...
        for key, rows in groupby(csv_reader, lambda row: (row[1])):
            ...
            try:
                output = open_files[key]
            except KeyError:
                output = open(file_name, "w")
            output.write(...)
            ...
    finally:
        for open_file in open_files.itervalues():
            open_file.close()
        input_file.close()

当然，如果您只有一个组具有任何给定的密钥，这将无济于事。 （实际上它可能会让事情变得更糟，因为你最终会不必要地打开一堆文件。）你越频繁地写一个文件，你就会从这个变化中获得更多的好处。

如果需要，可以将它与pandas结合使用，并使用read_csv或read_table的分块功能来处理输入处理。